• Menu

Harsher

🇬🇧 EN | 🇩🇪 DE | 🇪🇸 ES
  • Home
  • Technology
  • Contact
  • Team
  • Blog

← Volver al blog

LiDAR vs. radar — Por qué la longitud de onda importa en entornos de baja visibilidad

3 de junio de 2026

Comparación de longitudes de onda LiDAR vs. radar — ondas cortas de LiDAR se dispersan en polvo y gotas de agua; ondas largas de radar penetran

Entender cómo las longitudes de onda electromagnéticas interactúan con las partículas es fundamental para utilizar sensores en condiciones reales hostiles. Los sistemas de radar y LiDAR operan en partes fundamentalmente distintas del espectro electromagnético, y esta diferencia establece directamente su rendimiento en entornos llenos de gotas de agua, polvo, humo o escombros.

LiDAR (Light Detection and Ranging) utiliza ondas cortas, típicamente en el rango de luz visible a infrarrojo (alrededor de 0,3–1,0 µm). Estas longitudes de onda son comparables o menores que partículas atmosféricas comunes como el polvo (1–10 µm) y las gotas de agua (~10 µm). Como resultado, las señales LiDAR se dispersan o absorben al interactuar con estas partículas 1. Esto provoca atenuación de señal, menor alcance y precisión degradada en entornos con niebla, lluvia, humo, o polvo en suspensión.

Radar (Radio Detection and Ranging) 2, al contrario, opera a longitudes de onda mucho mayores 3, típicamente en el rango de milímetros a centímetros (1 mm a 10 cm). Estas longitudes de onda son mayores que la mayoría de partículas ambientales. Por este desajuste de tamaño, las ondas de radar se ven menos afectadas por la dispersión y pueden penetrar nubes de polvo, niebla, lluvia e incluso follaje con relativamente baja atenuación.

Esta distinción física se vuelve crítica en entornos extremos.

Operaciones mineras y en canteras

Las minas y canteras se caracterizan por densas nubes de polvo generadas por perforación, voladuras y maquinaria pesada. Los sistemas LiDAR tienen dificultades en estas condiciones porque las partículas de polvo dispersan la luz láser, reduciendo visibilidad y precisión 7. Los sistemas de radar, sin embargo, mantienen detección y medición de distancia fiables, permitiendo una navegación más segura de vehículos autónomos y mejor monitorización de equipos y terreno.

Aeropuertos y seguridad aeronáutica

Los aeropuertos deben operar en todas las condiciones meteorológicas, incluyendo niebla densa, lluvia y nieve. Los sistemas basados en LiDAR pueden perder efectividad en escenarios de baja visibilidad debido a la dispersión por gotas de agua 4. El radar, con sus longitudes de onda mayores, penetra estas condiciones de forma efectiva, siendo esencial para detección de aeronaves, monitorización de movimiento en tierra y sistemas de anti-colisiones.

Entornos forestales e incendios

Los bosques presentan entornos complejos con follaje, humedad, humo 5 y partículas en suspensión. Durante incendios forestales, las partículas de humo degradan severamente el rendimiento del LiDAR 6. Los sistemas de radar pueden penetrar humo y cobertura vegetal parcial, proporcionando detección más consistente de terreno, obstáculos y movimiento. Esta capacidad es crítica para operaciones de extinción, vigilancia y navegación autónoma en zonas boscosas.

Entornos industriales y exteriores hostiles

En entornos donde las partículas en suspensión fluctúan rápidamente — como obras de construcción, puertos e industria pesada — la fiabilidad del sensor se convierte en un factor limitante. El LiDAR ofrece mapeo de alta resolución en condiciones claras pero se vuelve poco fiable cuando aumenta la densidad de partículas 7. El radar proporciona sensado robusto de menor resolución que permanece estable independientemente de la interferencia ambiental.

Conclusión

La diferencia de longitud de onda entre LiDAR y radar no es un simple detalle técnico; define sus límites operativos. El LiDAR destaca en entornos limpios donde se requiere alta precisión, mientras el radar domina en condiciones hostiles y de baja visibilidad donde la penetración y la fiabilidad son críticas. Los sistemas de sensado modernos combinan cada vez más ambas tecnologías para equilibrar resolución y robustez, asegurando rendimiento en un amplio rango de condiciones ambientales.

Artículos relacionados

  • Por qué falla la localización de robots en entornos sin GNSS
  • Localización y mapeo — La base de los robots autónomos

¿Le interesa cómo esto se aplica a su sistema? Contáctenos.

Contacto

Fuentes

  1. Filgueira, A., González-Jorge, H., Lagüela, Susana, Díaz-Vilariño, L., and Arias, Pedro. "Quantifying the influence of rain in LiDAR performance." Measurement 95 (2017): 143-148.
  2. Sun, Shunqiao, Petropulu, Athina P., and Poor, H. Vincent. "MIMO radar for advanced driver-assistance systems and autonomous driving: Advantages and challenges." IEEE Signal Processing Magazine 37, no. 4 (2020): 98-117.
  3. Gao, Xiangyu, Roy, Sumit, Xing, Guanbin, and Jin, Sian. "Perception through 2d-mimo fmcw automotive radar under adverse weather." In 2021 IEEE International Conference on Autonomous Systems (ICAS), pp. 1-5. IEEE, 2021.
  4. Sheeny, Marcel, De Pellegrin, Emanuele, Mukherjee, Saptarshi, Ahrabian, Alireza, Wang, Sen, and Wallace, Andrew. "Radiate: A radar dataset for automotive perception in bad weather." In 2021 IEEE International Conference on Robotics and Automation (ICRA), pp. 1-7. IEEE, 2021.
  5. Zhang, Jun, Xiao, Renxiang, Li, Heshan, Liu, Yiyao, Suo, Xudong, Hong, Chaoyu, Lin, Zhongxu, and Wang, Danwei. "4DRT-SLAM: Robust SLAM in smoke environments using 4D radar and thermal camera based on dense deep learnt features." In 2023 IEEE International Conference on Cybernetics and Intelligent Systems (CIS) and IEEE Conference on Robotics, Automation and Mechatronics (RAM), pp. 19-24. IEEE, 2023.
  6. Duan, Kangkang, Zhu, Zehao, and Zou, Zhengbo. "Indoor FireRescue Radar: 4D Indoor Millimeter Wave Dataset and Analysis for Hazardous Environment Perception." In 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 18620-18627. IEEE, 2025.
  7. Wei, Chenfeng, Wu, Qi, Zuo, Si, Xu, Jiahua, Zhao, Boyang, Yang, Zeyu, Xie, Guotao, and Wang, Shenhong. "LiDARDustX: A LiDAR Dataset for Dusty Unstructured Road Environments." In 2025 IEEE International Conference on Robotics and Automation (ICRA), pp. 12703-12709. IEEE, 2025.